受潜在应用需求的驱动，机器人技术得到了快速的发展。随着时代的发展，各应用领域对机器人的要求越来越高，单个机器人能力的提高仍难以满足新的需求，因此，机器人系统的设计和应用开始从单机器人系统转向多机器人系统。与单机器人系统相比，多机器人系统有着无法比拟的优势，然而多机器人系统能否优于单机器人系统的关键是系统中的机器人能否高效合作完成全局任务。近年来，任务分配成为多机器人系统研究领域的热点问题之一，随系统规模和任务复杂度的增加，任务分配的研究越来越重要。 本文围绕多机器人系统的任务分配问题开展了深入研究，在综述了国内外研究现状的基础上，对多机器人系统的任务分配问题进行了分类讨论，指出目前任务分配研究中尚存在的问题。针对这些问题，本文开展了以下主要研究工作： 1.研究了一类与环境特征相关的复杂动态抽象任务的分解，提出一种基于环境特征的任务分解方法SF-MRTD。从环境中抽取与任务相关的特征向量表示环境状态，根据环境特征将环境分类成不同的情景模式，对候选任务进行筛选，简化了状态-任务空间，从而减小了复杂动态抽象任务分配的复杂度。 2.研究了任务分配中的效用评价函数，引入具有较好泛化能力、优越的函数逼近能力和较高收敛速度的自适应神经-模糊推理系统（ANFIS），提出一种基于自适应神经-模糊推理系统的效用评价算法ANFIS-UE，设计了基于ANFIS的效用评价网络结构。 3.提出了一种基于博弈论的多机器人系统任务分配算法GT-MRTA。对多机器人系统任务分配策略进行了形式化描述，为任务分配方案的求解提供了一种新的数学描述工具；针对多机器人系统中机器人决策之间的相互依存性，引入博弈论的思想分析了多机器人系统的任务分配问题，提出了一种基于博弈论的多机器人系统任务分配算法GT-MRTA。在算法中采用Q学习的方法，通过机器人与环境的重复交互，机器人之间的重复博弈，逐步修正ANFIS-UE算法中的参数，不断提高效用评价的准确性，从而提高任务分配方案的质量，通过各机器人的独立决策获得合作的结果。算法复杂度较低，计算量较小，泛化能力较强，鲁棒性较好，获得的任务分配方案质量较高。GT-MRTA不仅能用于简单动态具体任务的分配，而且能适应于复杂动态抽象任务的分配。 4.针对RoboCup中的任务分配问题，研究了GT-MRTA算法的具体应用。通过实验讨论了GT-MRTA在Gdut Tiji仿真机器人足球队中的应用结果，并分析了GT-MRTA算法取得较好决策效果的原因。